改进YOLOv5的交通标志检测算法_杨祥.pdf

Computer Engineering and Applications计算机工程与应用2023，59（13）交通安全和交通堵塞经常会引起各种各样的社会问题，在造成资源浪费的同时还污染了环境，于是为了解决它们，“智能交通系统（intelligent transportationsystem，ITS）”这一领域一经提出便迅速发展起来。而交通标志识别（traffic sign recognition，TSR）在 ITS 中又是最重要的一环。因此，设计一种同时兼顾模型大小和检测性能的交通标志检测算法具有不可或缺的意义。由于YOLO（you only live once）检测算法具有高改进YOLOv5的交通标志检测算法杨祥，王华彬，董明刚桂林理工大学 信息科学与工程学院，广西 桂林 541006摘要：如今对交通标志的检测在自动驾驶、智慧交通等领域是必不可少的关键环节，其关系到人们的驾驶安全问题。针对目前对交通标志的识别存在漏检、误检以及识别精度低、模型参数过多的问题，提出了一种基于改进YOLOv5 的交通标志检测算法。增加一个小目标检测头，提高对小目标的识别精度。设计了一种由 CBAM、SPConv、C3相结合的CSC3模块，引入YOLOv5主干网络中，同时减少其数量，目的是提升特征提取能力，降低参数量。将用于检测大目标的检测头删除，再把SPP替换成SPPCSPC，提高模型对交通标志的检测能力。增加跨层连接，并且通过重构Concat连接，目的是提高算法的识别精度。引入EIOU来替换CIOU损失函数，从而解决漏检、误检问题。使用DWConv替换主干网络的Conv，目的是减少模型参数，提高检测精度。实验结果表明，改进后的算法的平均准确率均值mAP0.5：0.95为62.6%，比原YOLOv5s提高了8.3个百分点，参数量下降了10.1%，并且检测速度达到了74 FPS，能够满足实际检测需求。关键词：YOLOv5；交通标志检测；特征融合；深度可分离卷积；目标检测文献标志码：A中图分类号：TP391.4doi：10.3778/j.issn.1002-8331.2302-0319Improved YOLOv5 s Traffic Sign Detection AlgorithmYANG Xiang,WANG Huabin,DONG MinggangCollege of Information Science and Engineering,Guilin University of Technology,Guilin,Guangxi 541006,ChinaAbstract：Nowadays,the detection of traffic signs is an essential key link in automatic driving,intelligent transportationand other fields,which is related to people s driving safety.A traffic sign detection algorithm based on improved YOLOv5is proposed to solve the problems of missing detection,false detection,low recognition accuracy and excessive modelparameters in the current traffic sign recognition.Firstly,a small target detection head is added to improve the recognitionaccuracy of small targets.Secondly,a CSC3 module combining CBAM,SPConv and C3 is designed,which is introducedinto the YOLOv5 backbone network and reduces its number at the same time,in order to improve the feature extractionability and reduce the number of parameters.The detection head used to detect large targets is deleted,and the SPP isreplaced with SPPCSPC to improve the model s ability to detect traffic signs.Cross-layer connections are added,andConcat connections are reconstructed to improve the recognition accuracy of the algorithm.EIOU is introduced to replacethe CIOU loss function to solve the problem of missed detection and false detection.Finally,DWConv is used to replacethe Conv of the backbone network to reduce the model parameters and improve the detection accuracy.The experimentalresults show that the average accuracy of the improved algorithm mAP 0.5：0.95 is 62.6%,which is 8.3 percentagepoints higher than the original YOLOv5s,the number of parameters has decreased by 10.1%,and the detection speed hasreached 74 FPS,which can meet the actual detection requirementsKey words：YOLOv5;traffic sign detection;feature fusion;depth-separable convolution;object detection基金项目：国家自然科学基金地区项目（61563012）；广西自然科学基金面上项目（2021GXNSFAA220074）。作者简介：杨祥（1970），男，硕士，教授，研究方向为图像处理、模式识别，E-mail：；王华彬（1998），男，硕士研究生，研究方向为图像处理、目标检测、计算机视觉；董明刚（1977），男，博士，教授，研究方向为智能计算、机器学习。收稿日期：2023-02-23修回日期：2023-04-10文章编号：1002-8331（2023）13-0194-111942023，59（13）检测精度的优点，其在交通标志检测中也受到了不少的关注。从首次提出 YOLOv11开始，再到后来的YOLOv22、YOLOv33、YOLOv44、YOLOv5、YOLOv6、YOLOv7模型，都在计算机视觉领域中占据着重要的地位。文献5通过引入Stem模块和ShufflenetV26基础单元网络来替换YOLOv5的主干网络，大幅度降低模型的参数和计算量，但是对于交通标志的检测精度却下降了；文献7通过增加跨层连接来融合更多的特征，在增加少量参数的同时增加了算法的检测精度；文献8首先将 CBAM（convolutional block attention module）嵌入 YOLOv5 网络的 backbone 和 head 部分，然后引入DIoU Loss 作为网络回归损失函数来解决 GIoU Loss可能造成收敛速度较慢的问题，虽然改进后的算法识别精度有所提升，但是增加了算法的复杂度，导致算法推理速度下降；文献9提出了一种基于改进 YOLOv4的交通标志识别方法，其在原版 YOLOv4网络结构的基础上，使用了 Darknet 残差层替代了 CSPDarknet53 的CSP阶段，并使用CSP来对PAN进行优化；文献10首先将MobileNetv3引入YOLOv5主干网络中，再将RFB（receptive field block）模块与 ECA（efficient channelattention）模块相结合，在 Neck 网络中使用 AFF（atten-tional feature fusion）模块，将注意力从同层融合扩展到跨层区域，最后使用 Matrix NMS（non-maximum sup-pression）筛选候选框，以提升模型检测速度；文献11首先在YOLOv7中增加了一个检测头，其次在骨干网络中增加轻量级MobileNetViTv3 block，并设计一种MPCA模块用于弥补深度卷积定位信息的不足，最后在测试阶段引入一个额外的分类器用于X射线图像违禁品的实时检测；文献12在YOLOv4算法结构上去掉了1919的大感受野检测层，加入了152152的尺度检测层，然后将ECA模块引入主干网络中，提高算法检测能力，虽然其检测性能提高了，但是模型参数增加了；文献13通过将双尺度注意力模块引入YOLOv3的主干网络，同时进行多尺度特征的融合，增强算法特征提取能力；文献14针对TinyPerson数据集存在目标特征信息少、占比低、易受环境影响的问题，提出了一种基于多分支混合注意力的小目标检测算法SMAM-YOLO；文献15提出了改进的特征金字塔模型（AF-FPN），即利用自适应注意力模块（AAM）和功能增强模块（FEM）来增强特征表示能力金字塔，并且还提出了一种新的自动学习数据增强方法来提高模型鲁棒性；文献16首先在YOLOv5原始模型中融入 CBAM 注意力机制，然后使用 BiFPN（bi-directional feature pyramid netword）作为模型的特征融合结构，最后选用CIoU作为损失函数提高定位能力，最终模型能够实现实时检测，但其识别精度不高；文献17提出一种将YOLOv5模型与坐标注意力（coor-dinate attention，CA）相结合的交通标志检测模型，虽然提高了对小目标物体的检测能力，但其参数量却增加了；文献18借鉴跨阶段局部网络思想，在空间金字塔池化上设置新的梯度路径，并在颈部特征融合中增设深、浅卷积特征的可学习自适应权重，更好地融合深层语义和浅层细节特征；文献19使用Ghost Bottleneck模块代替C3模块中全部的Bottleneck模块，与CSP模块结合生成Ghost Bottleneck CSP模块，虽然其模型参数变小了，但是对交通标志的识别精度提升较低。综上所述，鉴于目标检测在交通标志识别中的应用特点和上述文献的优缺点，本文基于YOLOv5s网络结构，设计了一种改进YOLOv5的交通标志检测算法：（1）增加一个针对小目标的检测头，用于提高算法对交通标志的检测能力。（2）构造了一种由CBAM、SPConv、C3 结合的 CSC3 模块，然后将 YOLOv5 主干网络中的C3都替换成CSC3，同时减少CSC3模块的数量，目的是提高网络对交通标志的特征提取能力，降低参数量和计算量，并且使得网络更加注重目标的重要语义信息。（3）为了继续减少网络的参数量和计算量，将用于检测大目标的检测头删除。（4）将 SPP（spatial pyramidpooling）替换成 YOLOv720提出的 SPPCSPC，可以在增加少量参数的基础上提高对交通标志的识别能力。（5）在Neck中增加跨层连接，同时重构Concat连接，目的是进一步提高算法的识别精度。（6）引入